Учёные Сбера создали фундаментальную ИИ-модель для решения финансовых задач

25

Она объединяет разные типы данных о поведении клиента и повышает точность прогнозов, сообщается на сайте банка.

 

Исследователи Сбера разработали фундаментальную ИИ-модель, которая анализирует поведение клиента банка сразу по нескольким типам событий: финансовым операциям, действиям в мобильном приложении и коммуникациям.  Модель объединяет их в единую хронологическую последовательность и находит общие закономерности в истории взаимодействия клиента с сервисом.

 

Исследование провели команды блока B2C и Центра практического искусственного интеллекта (ЦПИИ) Сбера. Подход описан в научной статье, которую подготовила команда исследователей под руководством исполнительного директора по исследованию данных Алексея Васильева из Центра практического искусственного интеллекта Сбера. Работу представили на международной конференции KDD в Южной Корее.

 

Фундаментальной называют модель, которую сначала обучают на большом объёме данных без привязки к одной конкретной прикладной задаче. После этого сформированное ей представление данных можно многократно использовать в разных сценариях. Фундаментальная модель дополняет уже имеющиеся данные о клиенте информацией, которую она извлекает из истории его действий. Их сочетание затем используется для более точного прогноза.

 

Такой подход помогает решать одну из системных проблем машинного обучения в крупных финансовых организациях. Традиционно для разных задач — например, для оценки вероятности отклика клиента на предложение — создаются отдельные модели. По мере роста числа сценариев увеличиваются затраты на их разработку и поддержку, а закономерности, найденные при решении одной задачи, сложно использовать в другой.

 

Ещё одна особенность разработки — мультимодальность. Поведение клиента отражают не только транзакции, но и действия в мобильном приложении, обращения в банк, сообщения, звонки и другие события. Совместный анализ разных источников даёт модели более полное представление о взаимодействии клиента с сервисом и повышает качество прогнозов.

 

Подход проверили на реальных задачах, связанных с прогнозированием реакции клиентов на коммуникации по банковским продуктам. Помимо офлайн-экспериментов, исследователи провели A/B-тест для шести ключевых банковских продуктов и трёх каналов коммуникации — push-уведомлений, SMS и телемаркетинга.

 

Иван Кузьмин, вице-президент-директор департамента данных и рекомендательных систем B2C Сбербанка:

 

«Когда мы готовим банковское предложение, один из главных вопросов — кому о нём рассказать. У людей разные финансовые задачи, и со временем они меняются. Чтобы точнее прогнозировать отклик, учитывать, как человек пользуется банковскими сервисами. Новая модель позволяет опираться на этот контекст при работе с разными продуктами и точнее выбирать, кому направить сообщение. Так клиент с большей вероятностью узнает о продукте, который ему пригодится».

 

По итогам эксперимента новая архитектура в среднем дала около 1% прироста общей бизнес-метрики NPV — чистой приведённой стоимости — по сравнению с использовавшимися ранее промышленными моделями на основе градиентного бустинга — метода машинного обучения, который последовательно улучшает прогноз, исправляя ошибки предыдущих моделей. Для банка масштаба Сбера этот прирост соответствует существенному финансовому эффекту.

 

После A/B-теста подход внедрили в промышленную эксплуатацию. Сейчас он используется как основной для прогнозирования отклика клиентов по шести ключевым банковским продуктам.

Источник: RFinance

ПОДЕЛИСЬ С ДРУЗЬЯМИ: